Tato práce se zabývá možností přesnějšího odhadu budoucí realizované bety pro účely odhadu nákladu vlastního kapitálu ve výnosovém oceňování podniku. Vychází z normativní role bety v rámci modelu CAPM a z předpokladu, že tradiční historický OLS odhad nepředstavuje bez dalšího nejlepší aproximaci bety budoucí. Cílem práce je ověřit, zda lze budoucí realizovanou betu v prostředí veřejně obchodovaných nefinančních podniků odhadovat přesněji než prostřednictvím tradičních benchmarkových přístupů, je-li úloha formulována jako časově konzistentní predikční problém a řešena nad širší informační množinou firmy. Empirická část porovnává benchmarkovou vrstvu s více modelovými rodinami strojového učení na dvou predikčních horizontech. Výsledky ukazují, že modelová vrstva dokáže budoucí realizovanou betu predikovat přesněji než tradiční benchmarky. Práce tak ukazuje, že klíčový vstup standardního oceňovacího rámce lze při vhodně vystavěném predikčním designu odhadovat přesněji, než umožňují tradiční historické postupy, a současně vymezuje meze tohoto závěru i jeho možný přesah k neobchodovaným firmám.
Klíčová slova:
veřejně obchodované firmy; beta; systematické riziko; CAPM; náklad vlastního kapitálu; oceňování podniku; strojové učení; predikce budoucí bety
Název práce:
Prediction of the Beta Coefficient Using Machine Learning
Autor(ka) práce:
Bouzek, Ondřej
Typ práce:
Diploma thesis
Vedoucí práce:
Svačina, Pavel
Oponenti práce:
Staňková, Veronika
Jazyk práce:
Česky
Abstrakt:
This thesis examines whether future realized beta can be estimated more accurately for the purpose of determining the cost of equity in business valuation under the income approach. It builds on the theoretical role of beta within the CAPM framework and on the premise that the traditional historical OLS estimate does not necessarily provide the best approximation of future beta. The objective of the thesis is to assess whether future realized beta can be predicted more accurately than by traditional benchmark approaches in a sample of listed non-financial firms, provided that the task is formulated as a time-consistent prediction problem and solved using a broader firm-level information set. The empirical part compares benchmark approaches with several machine learning model families across two prediction horizons. The results indicate that the model-based layer can predict future realized beta more accurately than traditional benchmarks. The thesis therefore shows that a key input of the standard valuation framework can, under an appropriately designed predictive setup, be estimated more accurately than traditional historical approaches allow. At the same time, it defines the limits
Klíčová slova:
systematic risk; beta; cost of equity; future beta prediction; publicly traded firms; CAPM; business valuation; machine learning